Jaringan mobile ad hoc network, yang dikenal dengan rute dinamisnya, memerlukan mekanisme ruting yang efektif untuk memastikan kinerja optimal. Salah satu tantangan dalam jaringan mobile ad hoc network adalah bagaimana mencari dan memelihara rute secara efisien karena sifatnya yang dinamis dan perubahan topologi yang sering terjadi. Penelitian ini bertujuan untuk mengatasi masalah ini dengan mengembangkan mekanisme ruting berbasis machine learning, khususnya dengan menggunakan Q-Learning, untuk mengoptimalkan pencarian rute dalam jaringan mobile ad hoc network.
Solusi yang ditawarkan dalam penelitian ini adalah implementasi Q-Learning sebagai mekanisme ruting untuk jaringan mobile ad hoc network. Q-Learning dipilih karena kemampuannya dalam pembelajaran berbasis pengalaman, yang memungkinkan penentuan rute yang lebih adaptif dan efisien dibandingkan algoritma ruting konvensional. Dengan mengintegrasikan Q-learning, mekanisme dapat dicapai peningkatan dalam hal throughput, jitter, dan delay pada jaringan mobile ad-hoc network, dibandingkan dengan protokol ruting tradisional seperti AODV, DSDV, dan OLSR.
Hasil penelitian menunjukkan bahwa Q-learning mampu memberikan kinerja yang lebih baik dalam menentukan rute pada jaringan mobile ad-hoc network. Pengujian dilakukan dengan menggunakan simulator NS3 dan membandingkan protokol AODV, DSDV, dan OLSR pada berbagai skenario, termasuk variasi jumlah node (20-100), kecepatan node (1-5 m/s), dan waktu berhenti node (5-25 detik). Dari analisis data kuantitatif, didapatkan bahwa Q-learning meningkatkan throughput, mengurangi jitter, dan menurunkan delay secara signifikan dibandingkan dengan algoritma ruting konvensional seperti Djikstra dan Bellman-Ford. Kesimpulannya, Q-learning adalah solusi yang lebih efektif untuk mekanisme routing pada jaringan mobile ad hoc network.